Il prossimoProssima guida
Modellazione del linguaggio
Intelligenza artificiale linguistica
GUIDA ALL'AI linguistica
Perplexity riassume le probabilità che un modello linguistico autoregressivo assegna ai token di riferimento in una valutazione specifica.
Ascolta questa guidaNarrato dall'IA · ~3 min
Una perplessità inferiore significa una probabilità di log negativa media inferiore in tale configurazione, mentre altri parametri affrontano aspetti diversi dell'output linguistico.
Un modello linguistico autoregressivo assegna probabilità ai token condizionati dal loro contesto precedente. Perplexity trasforma la loro probabilità logaritmica negativa media in un'interpretazione efficace del fattore di ramificazione. Con i logaritmi naturali, è l’esponenziale di quella perdita media. Con una distribuzione uniforme su 10.000 possibili gettoni ad ogni passo segnato, la perplessità è 10.000; assegnando la probabilità uno a ciascun token di riferimento si ottiene uno. Si tratta di illustrazioni matematiche, non di dichiarazioni sulle prestazioni di un modello distribuito. Una perplessità inferiore significa una probabilità logaritmica media negativa inferiore per il testo di riferimento, piuttosto che previsioni necessariamente più corrette o risposte generate più utili. I confronti richiedono anche un'adeguata valutazione comune. La tokenizzazione modifica le unità su cui viene calcolata la media della perdita e diversi corpora, preelaborazione o accesso al contesto possono modificare i punteggi. Un modello a contesto finito non può condizionarsi a un prefisso illimitato. La suddivisione di un testo lungo in blocchi disgiunti ripristina il contesto disponibile ai limiti dei blocchi. Una finestra scorrevole o a gradini conserva invece il contesto precedente per più passaggi di previsione, con compromessi computazionali e contabili. Lo stesso bersaglio segnato non dovrebbe essere conteggiato ripetutamente semplicemente perché le finestre si sovrappongono. La perplessità causale convenzionale dovrebbe anche essere distinta dal punteggio del modello mascherato: un modello bidirezionale di linguaggio mascherato come BERT non definisce direttamente la stessa fattorizzazione della sequenza da sinistra a destra. Sarebbe necessario identificare procedure di punteggio separate. Altri parametri linguistici valutano risultati diversi. BLEU utilizza la precisione n-grammi modificata con una penalità di brevità per i confronti dei riferimenti alla traduzione. ROUGE fornisce misure di sovrapposizione dei riferimenti utilizzate per i riepiloghi. Né la sovrapposizione né la perplessità rappresentano una valutazione completa della fattualità o dell’utilità.
Confronto dei checkpoint autoregressivi sullo stesso corpus di test e tokenizzazione.
Registrazione delle scelte di finestra di contesto e passo quando si riferisce a un punteggio di perplessità.
Utilizzo di BLEU per un confronto definito tra traduzione e riferimento.
Esame del sovrapposizione ROUGE per una valutazione di sintesi dichiarata.
La valutazione può combinare diagnostica di probabilità con valutazioni specifiche del compito e controlli di supporto fattuale. I rapporti dovrebbero spiegare cosa misura ogni metrica e identificare la configurazione usata per calcolarla. Un checkpoint con probabilità di riferimento migliorata può ancora necessitare di test sull'applicazione prevista, mentre un punteggio di sovrapposizione forte può nascondere errori al di fuori delle parole condivise. L'accesso al contesto di registrazione e la tokenizzazione rendono i confronti di perplessità più riproducibili. Giudizi umani e altre misure di compito possono aggiungere informazioni, a patto che i propri criteri e condizioni di valutazione siano anch'essi dichiarati chiaramente.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Perplexity riassume le probabilità che un modello linguistico autoregressivo assegna ai token di riferimento in una valutazione specifica. Una perplessità inferiore significa una probabilità di log negativa media inferiore in tale configurazione, mentre altri parametri affrontano aspetti diversi dell'output linguistico.
Una perplessità inferiore riflette le assegnazioni di probabilità dei token di riferimento nell'ambito della configurazione dichiarata, non ogni forma di accuratezza o utilità.
La trasformazione inversa deve corrispondere alla base del logaritmo; le unità del logaritmo naturale utilizzano l'esponenziale.
Perplexity è il numero effettivo di scelte ugualmente probabili. Indovinare in modo uniforme più di 10.000 parole dà una perplessità di 10.000.
Una corretta interpretazione richiede unità di punteggio compatibili e un corpus e una configurazione di valutazione identificati.
Il documento BLEU definisce questa valutazione della traduzione basata sui riferimenti; è distinto dalla verosimiglianza del modello linguistico.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Modellazione del linguaggio
Intelligenza artificiale linguistica